Logowanie
Zarejestruj się
Zresetuj hasło
Publikuj i Dystrybuuj
Rozwiązania Wydawnicze
Rozwiązania Dystrybucyjne
Dziedziny
Architektura i projektowanie
Bibliotekoznawstwo i bibliologia
Biznes i ekonomia
Chemia
Chemia przemysłowa
Filozofia
Fizyka
Historia
Informatyka
Inżynieria
Inżynieria materiałowa
Językoznawstwo i semiotyka
Kulturoznawstwo
Literatura
Matematyka
Medycyna
Muzyka
Nauki farmaceutyczne
Nauki klasyczne i starożytne studia bliskowschodnie
Nauki o Ziemi
Nauki o organizmach żywych
Nauki społeczne
Prawo
Sport i rekreacja
Studia judaistyczne
Sztuka
Teologia i religia
Zagadnienia ogólne
Publikacje
Czasopisma
Książki
Materiały konferencyjne
Wydawcy
Blog
Kontakt
Wyszukiwanie
EUR
USD
GBP
Polski
English
Deutsch
Polski
Español
Français
Italiano
Koszyk
Home
Czasopisma
International Journal of Advanced Network, Monitoring and Controls
Tom 7 (2022): Zeszyt 4 (January 2022)
Otwarty dostęp
Fine-grained Recognition of Ships Under Complex Sea Conditions
Jiaojiao Ma
Jiaojiao Ma
,
Jun Yu
Jun Yu
,
Haoqi Yang
Haoqi Yang
,
Hong Jiang
Hong Jiang
oraz
Wei Li
Wei Li
| 26 maj 2023
International Journal of Advanced Network, Monitoring and Controls
Tom 7 (2022): Zeszyt 4 (January 2022)
O artykule
Poprzedni artykuł
Następny artykuł
Abstrakt
Artykuł
Ilustracje i tabele
Referencje
Autorzy
Artykuły w tym zeszycie
Podgląd
PDF
Zacytuj
Udostępnij
Data publikacji:
26 maj 2023
Zakres stron:
39 - 46
DOI:
https://doi.org/10.2478/ijanmc-2022-0035
Słowa kluczowe
Ship Recognition
,
Complex Sea Conditions
,
Multi-scale
,
Fine-grained
,
Deep Learning
© 2022 Jiaojiao Ma et al., published by Sciendo
This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Figure 1.
Algorithm flow chart for the ship recognition.
Figure 2.
Result image after defogging.
Figure 3.
Multi-scale training sample images.
Figure 4.
Feature extraction network structure.
Figure 5.
Region proposal network structure.
Figure 6.
The architecture of proposed multi-scale Faster R-CNN for ship recognition. The simplified CNN model is surrounded by green boxes.
Figure 7.
Part of the sample images (huochuan is cargo ship, youlun is cruise ship, yuchuan is fishing ship, youting is yacht).
Figure 8.
The ROIs of some training samples.
Figure 9.
Comparison of ship recognition experiment with fog.
Figure 10.
Comparison of two algorithms in the same sea state.
Figure 11.
Recognition results under various sea states.
Comparison of recognition efficiency of the two algorithms
Detection Method
TP
FP
TN
precision/%
recall/%
Faster R-CNN
297
40
44
88.13
87.1
Our
313
18
28
94.56
91.78
Faster R-CNN Training Process
Training stage
Network
Number of iterations
1
RPN
40000
2
Fast RCNN
40000
3
RPN
80000
4
Fast RCNN
40000